论波动率形成过程的普适性：当机器学习与粗糙波动率达成一致
统计金融
2022-06-29 v1 机器学习
计算金融
风险管理
机器学习
摘要
我们基于由数百只流动性股票组成的合并数据集训练了一个 LSTM 网络，旨在预测所有股票下一日的已实现波动率。通过展示该通用 LSTM 相对于其他资产特定参数模型的稳定超额表现，我们揭示了跨资产存在将过去市场实现值（包括日收益与波动率）与当前波动率相关联的通用波动率形成机制的非参数证据。一个结合粗糙分数随机波动率与二次粗糙 Heston 模型且参数固定的简约参数预测装置，取得了与通用 LSTM 同等的性能，这从参数角度证实了波动率形成过程的普适性。
引用
@article{arxiv.2206.14114,
title = {On the universality of the volatility formation process: when machine learning and rough volatility agree},
author = {Mathieu Rosenbaum and Jianfei Zhang},
journal= {arXiv preprint arXiv:2206.14114},
year = {2022}
}